MCP penalized regression
MCP (Minimax Concave Penalty) — метод отбора признаков, разработанный Чжан (2010), который использует вогнутую штрафную функцию для автоматического отбора признаков. Подобно SCAD, MCP устраняет смещение в lasso, избегая сжатия больших коэффициентов, но использует другую форму штрафа, которая проще в вычислительном отношении, чем SCAD.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- Zhang, C. H. (2010). Nearly unbiased variable selection under minimax concave penalty. Annals of Statistics, 38(2), 894-942. DOI: 10.1214/09-AOS729 ↗
- Breheny, P., & Huang, J. (2011). Coordinate descent algorithms for nonconvex penalized regression. Annals of Applied Statistics, 5(1), 232-253. link ↗
- Zhang, C. H., & Zhang, T. (2012). A general theory of concave regularized M-estimators. Statistical Science, 27(4), 506-537. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Minimax Concave Penalty Penalized Regression. ScholarGate. https://scholargate.app/ru/psychometrics/mcp-penalized-regression
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Исследовательское моделирование структурными уравнениямиПсихометрия↔ сравнить
- Метод структурных уравнений на основе частичных наименьших квадратовПсихометрия↔ сравнить
- Редукционный анализПсихометрия↔ сравнить
- Регрессия со штрафом SCADПсихометрия↔ сравнить
Упоминается в
Similar methods
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →